Можно ли сопоставить веса нейронной сети с физическими параметрами?

🎲 Бесплатный курс по машинному обучению: https://compu-flair.com/courses В этом видео мы объясняем, как сопоставить веса нейронной сети с реальными физическими параметрами для неинвазивной диагностики оборудования, такого как преобразователи мощности. Поскольку извлечение физического смысла непосредственно из непрозрачных весов сети крайне нереалистично, мы вместо этого используем стратегию сопоставления выходных данных, где сеть действует как быстрая машина для угадывания. Затем эти сгенерированные сетью значения компонентов подаются в физический симулятор для прогнозирования поведения схемы. Сравнивая эти прогнозы с фактически измеренными напряжениями и токами, результирующее несоответствие формирует «ландшафт потерь», который определяет успех обучения. Изучение этого ландшафта подчеркивает идентифицируемость параметров, показывая, почему такие отличительные характеристики, как индуктивность, легко определяются оптимизаторами, в то время как перекрывающиеся характеристики, такие как последовательное сопротивление, создают неоднозначные, плоские впадины. В конечном итоге, истинный мост между ИИ и физикой заключается в понимании этого несоответствия, а не в расшифровке скрытых весов. 📺 Разделы 00:00 Концепция «диагностики без разборки» 00:35 Проблема «чтения» весов ИИ 01:14 Физические параметры против внутренних весов 03:26 Взаимодействие нейронных сетей и физических симуляторов 05:50 Навигация по ландшафту функций потерь: крутые и пологие градиенты 07:26 Почему так сложно оценить последовательное сопротивление 10:27 Динамика оптимизатора: Adam, L-BFGS и сходимость 11:17 Важность возбуждения системы и шума 15:35 Практические инженерные решения для неоднозначных параметров 16:23 Реальный мост между машинным обучением и физикой